机载激光雷达在不同区域尺度森林叶面积指数反演中的应用

机载激光雷达可快速高效获取局部区域的森林叶面积指数,同时还可协同光学遥感数据进行大区域尺度的森林叶面积指数反演监测。为此,本文对比了3种不同区域尺度下森林叶面积指数测量方法的优势和局限性,突出了机载激光雷达在不同监测体系中的作用。结果表明:在条带尺度下的森林叶面积指数监测中,机载激光雷达可在一定程度上有效弥补人工调查的不足;其次,在大区域尺度的森林叶面积指数监测中机载激光雷达可起到承接作用,通过结合少量人工地面调查数据或者直接基于激光点云特征反演得到条带尺度下的森林叶面积指数,并以此为基础结合光学遥感数据可构建点-条带-面尺度上推的森林叶面积指数监测体系。     

山东省主要森林碳库分量参数的初步测定

山东森林是以平原地区用材林为主的农区森林,低山丘陵区森林立地条件差,生产力偏低,不具备温带森林的代表性。结合全国林业碳汇计量监测专项调查数据,建立符合山东省森林特点的森林碳储量不同碳库分量参数体系,对于提高区域森林碳储量估算精度具有重要意义。     

遥感估算法在森林碳汇估算中的应用进展

作为陆地生态系统主体,森林具有碳源和碳汇的双重作用。目前,国内外众多学者对区域尺度森林碳汇的估算提出的方法较多,但还没有统一的估算方法。遥感估算法是估算森林碳汇的重要方法之一。通过总结该方法的优缺点及应用范围,为碳储量估算精度和碳评估提供合理的参考。     

机载激光雷达森林参数估算方法综述

综述了机载激光雷达(LiDAR)在森林树高、郁闭度、蓄积量等参数估算中的应用,并对森林参数的估算精度及其影响因素进行了总结和分析。重点总结了目前机载激光雷达在森林参数估算中采用的如基于几何特性的点云数据滤波方法、基于强度信息森林参数提取方法、全波形数据的处理方法及L iDAR与多光谱影像数据融合关键技术,阐述了其现状及各自应用范围和存在的问题。     

基于小批量梯度下降的神经网络模型估算针叶林生物量

探讨了基于小批量梯度下降的B-P神经网络模型,利用MODIS遥感图像、地面调查数据、地形数据以及森林覆盖率,估算天然针叶林地上生物量。在对针叶林地上生物量和遥感数据、地形数据、植被指数以及森林覆盖率进行单因素相关性分析的基础上,采用基于小批量梯度下降的B-P神经网络建立一组不同网络结构的天然针叶林生物量模型,在测试集上筛选出均方误差最小的网络结构,在验证集上用实测地上生物量值对筛选出的模型进行验证,并与多元回归模型比较。结果表明:小批量梯度下降训练算法收敛速度很快,最多不超过100 s,比较适合做大范围的生物量实时反演监测;模型很好地反应了针叶林地上生物量与MODIS遥感图像、地面调查数据、地形数据以及森林覆盖率的定量关系(相关系数R2=0.835),明显地优于传统的多元回归方法(相关系数R2=0.427)。由此可见,基于小批量梯度下降的B-P神经网络模型可以用于天然针叶林结构参数的定量研究,利用基于小批量梯度下降的B-P神经网络模型进行天然针叶林地上生物量实时监测具有一定的应用潜力。     

激光雷达技术及其在林业上的应用

激光雷达是近年来国际上发展十分迅速的主动遥感技术,在森林参数的定量测量和反演上取得了成功的应用。激光雷达具有与被动光学遥感不同的成像机理,对植被空间结构和地形的探测能力很强,特别是对森林高度的探测能力,具有其他遥感数据无法比拟的优势。介绍激光雷达遥感的基本原理、大光斑和小光斑激光雷达系统的特点,对它们在林业上的应用现状进行评述,重点分析激光雷达反演森林参数的方法,对激光雷达的林业应用前景进行分析和展望。     

基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型构建

森林是全球重要的陆地生态系统,各国普遍采用地面样地调查的方法评估其资源量和生物量。随着激光雷达技术的发展,采用星载大光斑激光雷达估算大区域森林地上生物量将成为另一种选择。为探索利用大光斑激光雷达估算森林地上生物量的方法,提出了一种基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型。比较仿真大光斑激光雷达波形参数13种组合拟合森林地上生物量的效果后,认为多层感知器的估测精度高于多元线性回归。与样地实测地上生物量相比,多元线性回归估测结果的偏差范围为-34.96~23.28t/hm²,多层感知器估测结果的偏差范围更小,为-19.09~20.19t/hm²。因此,多层感知器估测森林地上生物量的效果优于多元线性回归。     

联合GF-3 PolSAR数据与Landsat-8 OLI数据的森林地上生物量估测

【目的】森林是陆地生态系统的重要组成部分,精确估测森林地上生物量对森林资源的经营管理具有指示作用,对研究全球碳循环具有重要意义。为了改善单一来源遥感数据估测森林地上生物量的不足,探讨了联合高分三号(Gaofen-3,GF-3)全极化(Polarimetric synthetic aperture radar,PolSAR)数据极化分解参数和Landsat-8 OLI数据估测森林地上生物量的可行性,并针对多源遥感数据的冗余问题优化特征组合。【方法】以广西南宁市高峰林场为研究区,结合森林样地调查数据,提取GF-3 PolSAR数据的后向散射系数、极化分解参数和Landsat-8 OLI数据的光谱信息、植被指数、纹理,使用基于序列前向特征选择的K最近邻法(K-nearest neighbor based on sequence forward feature selection,KNN-SFS)估测研究区的森林地上生物量,以留一法交叉验证得到的森林地上生物量预测值和实测值之间的均方根误差(Root mean square error,RMSE)最小为原则,对比验证使用多源遥感数据和单一来源遥感数据时的估测结果,寻求估测森林地上生物量的最优特征组合,基于最优特征组合绘制研究区的森林地上生物量空间分布图。【结果】结合GF-3 PolSAR数据和Landsat-8 OLI数据估测研究区森林地上生物量的精度为RMSE=21.05 t·hm~(-2),R~2=0.75,优于仅使用GF-3 PolSAR数据估测的精度(RMSE=28.38 t·hm~(-2),R~2=0.47)和仅使用Landsat-8 OLI数据估测的精度(RMSE=29.52 t·hm~(-2),R~2=0.42)。【结论】多源数据协同反演森林地上生物量可以提高估测的精度,基于KNN-SFS方法联合GF-3 PolSAR数据与Landsat-8 OLI数据可以较好地估测森林地上生物量。     

基于树高和树冠因子的立木材积与地上生物量相容模型研究

【目的】无人机机载激光雷达能够准确地测定单木、林分乃至大尺度森林结构参数(树高和树冠因子)。为应用无人机激光雷达技术准确估测森林蓄积量、生物量和碳储量提供计量依据和技术支撑。【方法】以150株实测马尾松生物量样本数据为研究对象,采用非线性回归估计方法和度量误差联立方程组方法,分析立木材积和地上生物量与树高、树冠因子的相关性,并在此基础上研究建立基于树高和树冠因子的立木材积与地上生物量相容模型。【结果】单株材积和地上生物量与树高因子的相关性最为紧密,其次才是树冠因子;基于树高和冠幅因子的二元材积和地上生物量模型预估精度较高,达到92%以上,再考虑冠长因子的三元模型预估精度改进不大;基于树高和冠幅因子的二元立木材积与地上生物量相容模型估计效果更好,相对于一元相容模型系统而言,二元相容模型拟合效果有较大幅度提高,预估精度达到92%以上。【结论】采用度量误差联立方程组方法可以有效解决基于树高和树冠因子的立木材积与地上生物量相容问题,并且预估精度达到92%以上,所建二元立木材积与地上生物量相容模型可为应用激光雷达技术反演森林蓄积量和生物量提供计量依据。     

基于地统计学和多源遥感数据的森林碳密度估算

【目的】基于遥感影像空间分辨率和地面样地大小不一致的现象,采用地统计学和多源遥感数据进行森林碳密度估算,为MODIS数据在区域森林碳密度估算领域的应用提供参考。【方法】以湖南省攸县为试验区,首先利用基于块的序列高斯协同模拟算法,将25.8 m×25.8 m的样地数据分别上推到250 m×250 m、500 m×500 m和1 000 m×1 000 m;然后将上推后的样地数据分别与MOD13Q1、MOD09A1、MOD15A2数据结合,利用序列高斯协同模拟算法开展区域森林碳密度估算研究;最后将最优结果用于湖南省森林碳密度估算。【结果】Landsat5和MODIS数据与森林碳密度的敏感因子具有高度相似性,排在前3位的分别为1/TM3、1/TM2、1/TM1和1/Band1、1/Band4、1/Band3;与植被指数产品MOD13Q1和MOD15A2相比,多光谱数据Landsat5和MOD09A1在攸县森林碳密度估算方面显示出巨大潜力,估算精度分别为82.02%和75.64%;基于MOD09A1的序列高斯协同模拟算法具有很好的适用性,可用于湖南省森林碳密度的空间模拟,估算精度为74.07%。【结论】采用基于块的序列高斯协同模拟算法,可以实现由地面样地到不同空间分辨率MODIS像元之间的转换;由于空间分辨率的限制,MOD09A1数据在刻画空间细节方面不如Landsat5精细。该研究方法适用于地面调查样地大小和遥感影像空间分辨率不一致的区域森林碳密度估算。     

森林生态系统碳储量及碳通量遥感监测研究进展

在全球CO₂浓度持续增加导致气候变暖的背景下,森林生态系统碳储量及碳通量遥感大尺度监测成为关注热点。文中深入分析了当前国内外卫星遥感观测技术对森林碳循环评估的2种途径:1）基于遥感手段估算森林生物量并推算森林碳储量,通过碳储量变化确定森林生态系统的CO₂通量。归纳各类森林生物量遥感估算方法的原理及优缺点,系统评述各类方法在大区域森林碳储量估算中存在的不确定性。2）基于CO₂温室气体观测卫星遥感数据,定量监测森林生态系统与大气CO₂通量,基于交换的CO₂通量推算森林碳储量变化。归纳遥感手段观测森林生态系统与大气CO₂通量的主要数据、方法及优缺点,系统评述各类数据及方法在森林CO₂通量时空变化特征监测、森林碳储量估算等方面取得的进展,重点分析专用CO₂浓度监测卫星数据,尤其是我国自主碳卫星数据在CO₂柱浓度反演算法研究以及不同数据源之间的对比、验证和同化研究等方面取得的进展,总结专用温室气体遥感观测数据在森林碳储量及碳通量监测方面的优势。提出利用遥感手段进行森林生态系统碳循环定量监测的研究展望。     

结合Landsat 8与PALSAR-2影像的龙南县针叶林蓄积量遥感估测研究

林分蓄积量估测是林业遥感的重要研究领域,由于云雾天气和光谱饱和现象等因素限制了光学遥感影像估测林分蓄积量的精度。合成孔径雷达(SAR)具有穿透性强、受云雾影响小等特点,弥补了光学遥感的不足。以江西省龙南县的针叶林为研究对象,结合Landsat 8与PALSAR-2双极化SAR影像数据,在遥感数据预处理基础上,提取了光谱信息、植被指数、纹理信息和后向散射系数等共245个遥感因子。基于Pearson相关系数法和多元逐步回归法,筛选出65个遥感因子参与林分蓄积量估测。以林分郁闭度作为分层因子,分别采用线性、KNN、支持向量机(SVM)、多重感知机(MLP)和随机森林(RF)5种模型估测林分蓄积量,并对估测结果进行精度检验。实验结果表明:1)相比单独使用Landsat 8的光谱和纹理信息,基于郁闭度分级并融合PALSAR-2的后向散射信息明显提高了蓄积量的反演精度;2)对于低郁闭度林分,线性模型精度最高(rRMSE=21.16%),中郁闭度林分,多重感知机模型估测效果最好(rRMSE=30.61%),高郁闭度林分,多重感知机模型估测效果最好(rRMSE=27.53%)。在结合PALSAR-2的后向散射系数的基础上,郁闭度分层能有效改善中高蓄积量区域的反演精度。     

基于遥感技术的宜良县云南松蓄积量反演

以云南省宜良森林二类调查数据为样本,基于Google Earth Engine云平台Landsat 8 OLI影像,结合植被因子、纹理特征以及K-T变化为自变量,构建了多元线性回归和随机森林的建模方法,建立了森林蓄积量反演模型。以宜良县云南松为研究对象,运用Landsat8 OLI遥感影像数据结合地面角规控制样地调查数据,建立了多元线性回归和随机森林估测模型。结果表明:多元线性回归模型精度一般,其R²和RMSE分别为0.259、34.5579,随机森林模型精度极高,其R²和RMSE分别为0.887、1.1954。运用Landsat 8 OLI影像数据进行森林地上蓄积量估测的不确定因素较多,随机森林估测模型可作为云南松及其他树种地上蓄积量遥感估测的一种对比方法,为今后森林蓄积量估测提供参考。     

森林生态系统碳储量估算方法研究进展

基于植被碳储量和土壤碳储量2方面综述森林生态系统碳储量的定量研究方法．土壤碳储量估算方法主要有土壤类型法、生命带法、GIS估算法等;植被碳储量估算方法主要有样地清查法、模型模拟法、遥感估算法3种;未来的森林碳储量研究将采用更高精度的遥感数据并要求多种方法的综合运用以提高估测精度．     

遥感在森林生物量监测的应用

森林生物量研究对监测生态系统有着重要作用,随着遥感技术的发展,动态地估测大区域乃至全球的森林生物量成为可能.文章就遥感数据源和估测方法,分析总结了传统方法和遥感方法的森林生物量估测.     

激光雷达和高光谱遥感技术在树种识别中的应用

快速准确识别树种是研究和保护森林资源的基础,通过遥感技术进行树种识别已成为森林调查重要手段之一。激光雷达数据可以提供森林垂直结构的信息,而高光谱遥感数据可以提供树木详细的光谱信息,因此联合激光雷达和高光谱数据能够提高树种分类精度。文中阐述了激光雷达和高光谱遥感在森林树种识别中的研究现状,总结了单一遥感源进行树种识别的优缺点,介绍了联合激光雷达和高光谱遥感数据的树种识别方法,最后从数据平台、数据提取、数据融合及识别模型等4个方面探讨了当前树种识别研究中面临的问题以及未来的研究方向,旨在为提高树种识别精度提供参考。     

星载激光雷达波形长度提取与林业应用潜力分析

森林是重要的环境资源,作为陆地生态系统的主体,森林是陆地上面积最大、分布最广、组成结构最复杂、物质资源最丰富的生态系统.我国虽然是一个森林资源相对较少的国家,森林生物量依然是陆地植被总生物量的主要组成部分.鉴于森林的重要性,世界各国都投入很大的力量对森林资源进行保护,每隔一定年限对其进行调查和监测.     

基于TM影像数据的林分冠层郁闭度反演技术研究

本文以崂山林场为研究区域,利用森林资源二类调查数据和TM影像数据,分析了林分郁闭度与遥感因子之间的定量关系,在此基础上利用多元回归分析法结合实测数据构建郁闭度估测模型,并对模型精度进行检验,结果表明,预估精度达到81.6%,估测效果较好。利用该模型,反演了研究区的林分冠层郁闭度,将崂山林场的林分冠层郁闭度分为四个等级,即非林地区,低郁闭度区,中郁闭度区和高郁闭度区,研究区的森林郁闭度分布呈现西北部和东南部较低,而中部和南部相对较高。     

Estimation of aboveground tree carbon stock using SPOT-HRG data (a case study: Darabkola forests)

Forests are among the most important carbon sinks on earth. However, their complex structure and vast areas preclude accurate estimation of forest carbon stocks. Data sets from forest monitoring using advanced satellite imagery are now used in international policy agreements. Data sets enable tracking of emissions of CO₂ into the atmosphere caused by deforestation and other types of land-use changes. The aim of this study is to determine the capability of SPOT-HRG Satellite data to estimate aboveground carbon stock in a district of Darabkola research and training forest, Iran. Preprocessing to eliminate or reduce geometric error and atmospheric error were performed on the images. Using cluster sampling, 165 sample plots were taken. Of 165 plots, 81 were in natural habitats, and 84 were in forest plantations. Following the collection of ground data, biomass and carbon stocks were quantified for the sample plots on a per hectare basis. Nonparametric regression models such as support vector regression were used for modeling purposes with different kernels including linear, sigmoid, polynomial, and radial basis function. The results showed that a third-degree polynomial was the best model for the entire studied areas having an root mean square error, bias and accuracy, respectively, of 38.41, 5.31, and 62.2; 42.77, 16.58, and 57.3% for the best polynomial for natural forest; and 44.71, 2.31, and 64.3% for afforestation. Overall, these results indicate that SPOT-HRG satellite data and support vector machines are useful for estimating aboveground carbon stock.